بهینه نمودن کارایی شبکه عصبی مصنوعی برای پیش‌بینی خواص کششی al-5083 اتصال داده شده توسط فرایند fsw

در این تحقیق، بهینه‌سازی قابلیت شبکه عصبی مصنوعی (ann) به‌منظور پیش‌بینی استحکام کششی و ازدیاد طول نسبی اتصالات ایجاد شده بر al-5083 توسط فرایند جوشکاری همزنی اصطکاکی (fsw) مورد بررسی قرار گرفت. بدین منظور با تغییر پارامترهای موثر بر کارایی ann از قبیل تعداد لایه‌ها و تعداد نورون‌های لایه‌های مخفی، نوع تابع انتقال بین لایه‌ها، الگوریتم یادگیری و غیره، شبکه عصبی کارآمد برای پیش‌بینی خواص کششی اتصالات fswed-al-5083 تعیین گردید. بررسی‌های انجام شده آشکار نمود که شبکه عصبی پرسپترون با دو لایه پنهان و تعداد 17 نورون، الگوریتم آموزش لونبرگ-مارکوارت و تابع انتقال logsig برای لایه‌های میانی و تابع تبدیل tansig برای لایه خروجی، کارآمدترین شبکه عصبی برای پیش‌بینی مورد نظر است. شبکه مذکور دارای ساختار بهینه براساس کمینه مقدار خطای میانگین مربعات 05/0، بیشینه ضریب همبستگی کل 93/0 و رگرسیون خط با زاویه 45 درجه بین مقادیر واقعی و پیش‌بینی شده می‌باشد. در نتیجه این شبکه از کارایی مطلوبی برای آموزش، تعمیم و برآورد استحکام کششی و ازدیاد طول نسبی al-5083 اتصال fsw داده شده برخوردار است.

optimization of performance of artificial neural network for predicting the tensile properties of friction stir welded al-5083

in this research, the optimization of the artificial neural network (ann) capability for predecting the tensile strength and elongation of friction stir welded al-5083 (fs-welded al-5083) was carried out. the effective parameters of ann, such as the number of layers, number of neurons in hidden layers, transfer function between layers, the learning algorithm and etc. were investigated and the efficient neural network was determined to predict the tensile properties of fs-welded al-5083. the investigations revealed that the perceptron neural network with two hidden layers and 17 neurons numbers, lunberg-marquardt training algorithm and logsig transfer function for the intermediate layers and tansig transformation function for the output layer is the most optimized neural network for the prediction. the optimized network has an optimal structure based on the minimum value of the mean square error of 0.05, the maximum total correlation coefficient of 0.93 and the line regression with an angle of 45 degrees between the actual and estimated values. therefore, this network has a good performance for training, generalizing and estimating of tensile strength and elongation of fs-welded al-5083.